耦合SHAW模型的AquaCrop-OS框架在加拿大萨斯喀彻温省春小麦产量区域模拟中的性能评估

针对区域尺度作物模型参数校准不足的问题，研究人员通过耦合SHAW（Simultaneous Heat and Water）模型与AquaCrop-OS，优化了加拿大萨斯喀彻温省春小麦产量模拟。结果表明，耦合模型显著降低极端干旱年NRMSE（60%）和常态年误差（11.2%），区域R2达0.72，为气候变化下农业评估提供关键工具。

　　

在全球气候变化加剧的背景下，半干旱地区的农业生产面临严峻挑战。加拿大萨斯喀彻温省作为全球重要春小麦产区，其雨养农业模式对气候波动极为敏感。然而，传统作物模型如AquaCrop-OS在区域尺度应用中存在显著局限：冬季降水模拟误差导致春季土壤水分条件失真，且参数空间异质性未被充分考量。这些问题使得模型难以准确预测极端气候事件下的产量波动，制约了农业政策的科学制定。

为突破这一瓶颈，中国的研究团队创新性地将SHAW（Simultaneous Heat and Water，同步热与水）模型与AquaCrop-OS耦合，构建了集成建模框架。研究覆盖1981-2016年萨斯喀彻温农业区，采用167个0.5°网格划分，通过SHAW物理模拟雪积累、土壤水热通量等过程，显著提升了初始土壤水分条件的真实性。模型校准基于标准化降水蒸散指数（SPEI）划分的气候情景，并采用输出聚合方法处理区域异质性。

关键方法

1. 模型耦合：SHAW提供物理基础的水热通量模拟，弥补AquaCrop-OS冬季降水处理缺陷；
2. 参数敏感性分析：识别出干旱年14个关键参数（如fshape_r、Tbase等）；
3. 多情景验证：对比ISWCA（休耕期模拟）、ISWCD（默认田间持水量）和ISWCS（SHAW耦合）三种初始化方法；
4. 空间性能评估：通过Pearson相关系数（PCC）和归一化均方根误差（NRMSE）量化区域差异。

研究结果

敏感性分析
干旱年（SPEI<-2）参数敏感性显著高于湿润年，其中根系形态参数（Zmin、Zmax）和物候期参数（HIstart、Emergence）对产量影响最大，揭示模型在不同气候条件下的响应机制差异。

耦合模型性能
SHAW耦合使极端干旱年NRMSE降低60%，常态年误差平均减少11.2%。区域尺度R²达0.72，NRMSE为11.16%，但北部地区仍存在系统性低估，可能与土壤类型空间变异有关。

空间异质性
PCC空间分布呈现南高北低（0.1-0.95），NRMSE介于9%-29%，表明模型在南部平原区适用性更佳。

结论与意义
该研究首次实现AquaCrop-OS在加拿大西部区域尺度的成功应用，通过SHAW耦合解决了冬季水文过程模拟的核心难题。成果为气候变化背景下春小麦产量风险评估提供了高分辨率工具，尤其对干旱早期预警和适应性管理具有重要价值。未来研究需进一步整合土壤属性空间数据，以优化北部低产区的模拟精度。论文发表于《Agricultural and Forest Meteorology》，标志着作物模型区域化应用的重大进展。